Analisa Local Search untuk Perbaikan Solusi Varian Vrp pada Permasalahan Optimasi

Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017, Hal. 342-348 p-ISSN: 2580-4596; e-ISSN: 2580-460X

Halaman | 342

Analisa Local Search untuk Perbaikan Solusi Varian Vrp pada Permasalahan Optimasi Sapti Wahyuningsih Jurusan Matematika FMIPA Universitas Negeri Malang

[email protected]

Info Artikel Riwayat Artikel: Diterima: 15 Mei 2017 Direvisi: 1 Juni 2017 Diterbitkan: 31 Juli 2017 Kata kunci: local search varian VRP algoritma perbaikan solusi

ABSTRACT Teori graf mempunyai medan aplikasi yang luas khususnya pada permasalahan optimasi. Permasalahan Vehicle Routing Problem (VRP) merupakan kajian dalam teori graf yang dapat diaplikasikan pada permasalahan optimasi. Multi Depot Vehicle Routing Problem (MDVRP), Vehicle Routing Problem with time window (VRPTW) dan gabungannya yaitu MDVRPTW merupakan varian VRP yang akan dianalisa perbaikan solusinya dengan strategi local search. Metode yang digunakan untuk menyelesaikan permasalahan varian VRP ini adalah algoritma self-developed, algoritma interchange descent dan algoritma exchange local search. Strategi penyelesaian varian VRP adalah tahap inisialisasi, tahap pengembangan dan tahap optimalisasi. Pada tahap pengembangan perbaikan solusi dianalisa dengan local search. Hasil solusi akhir algoritma self developed lebih baik dibandingkan algoritma interchange descent. Algoritma interchange descent melakukan perbaikan inter route dan intra route mengakibatkan proses iterasi yang lama tetapi diperoleh kemungkinan solusi hasil perbaikan lebih banyak jika dibanding exchange local search. Penentuan total waktu tempuh dapat dilihat dari seberapa lama kendaraan melakukan perjalanan. Algoritma self developed menghasilkan total waktu tempuh kendaraan yang minimal dibandingkan dengan algoritma interchange descent. Analisa local search untuk perbaikan solusi MDVRP, VRPTW dan MDVRPTW berguna untuk identifikasi solusi terbaik pada implementasi permasalahan optimasi.

Copyright © 2017 SIMANIS. All rights reserved.

Corresponding Author: Sapti Wahyuningsih Jurusan Matematika FMIPA Universitas Negeri Malang, Jl. Semarang 5 Malang Jawa Timur, Indonesia 65145 Email: [email protected]

1. PENDAHULUAN Dalam teori grafpembahasan Vehicle Routing Problem (VRP) merupakan salah satu bentuk permasalahan yang dapat diaplikasikan pada masalah transportasi yang melibatkan sistem distribusi. Permasalahan optimasi rute kendaraan mengenai sejumlah customer (pelanggan) pada lokasi tertentu dan harus dilayani oleh suatu depot dengan menggunakan sejumlah kendaraan dengan kapasitas yang terbatas. Terdapat bermacam-macam varian VRP bergantung kepada variabel, konstrain dan tujuan yang akan dioptimalkan. Multi Depot Vehicle Routing Problem (MDVRP), Vehicle Routing Problem with Time Window (VRPTW), Multi Depot Vehicle Routing Problem with Time Window (MDVRPTW)merupakan varian VRP yang akan menjadi fokus kajian artikel ini. Untuk mendapatkan solusi optimal, terdapat bermacam-macam metode yang dapat digunakan untuk mencari solusi terbaik pada bervariasi varian VRP. Pada [1] penentuan solusi VRPTW dengan algoritma genetik. Pada [13] dan [16] penulis mengkaji penentuan solusi MDVRP; solusi MDVRP dengan algoritma Laman Prosiding: http://conferences.uin-malang.ac.id/index.php/SIMANIS

Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami)

Halaman | 343

genetik dapat dilihat pada [13] sedangkan penentuan solusi MDVRP dengan algoritma Cellular Ant dapat dilihat pada [16]. Dari pengembangan VRPTW dan MDVRP akan diperoleh varian baru yaitu MDVRPTW yang dapat dilihat pada [6], [7], [9], [15]. Penentuan solusi MDVRPTW dengan algoritma tabu search yang dikombinasikan dengan extended saving dapat dilihat pada [14]. Pemilihan fokus kajian tentang permasalahan MDVRP, VRPTW dan MDVRPTW karena ketiga varian ini mempunyai tiga prinsip dasar dalam menentukan solusi permasalahan yaitu tahap inisialisasi, tahap pengembangan dan tahap optimalisasi. Pada masalah MDVRP tahap inisialisasi berupa grouping, tahap pengembangan berupa routing dan tahap optimalisasi berupa scheduling. Metode yang akan digunakan algoritma self-developed, algoritma Interchange descent dan algoritma exchange local search. Pemilihan metode ini diperlukan untuk strategi yang akan dipilih yaitu analisa local search pada tahap pengembangan. Pada tahap pengembangan metode local search salah satu cara yang dapat digunakan untuk perbaikan solusi. Misalnya dapat dilihat pada [2], [3], [4] dan [11]. Metode local search dapat diadaptasi dari varian TSP dapat dilihat pada [10]. Metode local search untuk perbaikan solusi MDVRP, VRPTW dan MDVRPTW yang dikaji pada artikel ini adalah inter route dan intra route untuk mengidentifikasi solusi akhir yang lebih baik. Hal ini berguna pada implementasi permasalahan optimasi. 2. METODE Permasalahan MDVRP, VRPTW dan MDVRPTW dapat diselesaikan dengan algoritma algoritma self-developed, algoritma interchange descent dan algoritma exchange local search . Algoritma Self-Developed merupakan algoritma yang dibuat dengan menambahkan beberapa modifikasi untuk saving algorithm berdasarkan pada intuisi untuk banyak rute. Algoritma Self-Developed menghitung saving dengan tabel waktu akhir penyelesaian sehingga rute yang dihasilkan dapat menunjukkan waktu yang dibutuhkan untuk setiap rute yang terbentuk serta jarak dan permintaan yang dibutuhkan. Selanjutnya rute-rute dijadwalkan pada tahap schedulling dan akhirnya mendapatkan kumpulan rute pada masing-masing depot [2]. Adapun langkah-langkah Algoritma Self-Developed yaitu inisialisasi dan iterasi. Tahap inisialisasi (semua customer yang ada pada daftar dan diurutkan menurun berdasarkan pada permintaan. Semua rute penjemputan harus layak dengan memperhatikan waktu perjalanan. Jika suatu rute tidak layak maka tidak terdapat solusi dari suatu permasalahan). Sedangkan tahap iterasi (kombinasi rute, penghitungan saving, dan uji kelayakan) Algoritma interchange descent merupakan suatu kombinasi heuristic yang bermacam-macam untuk memeriksa daerah solusi untuk menjadikan daerah solusi yang lebih baik [15]. Interchange Descant terdiri dari perbaikan inter-route dan intra-route. Langkah-langkah algoritma Interchange Descent terdiri dari tahap inialisasi, iterasi, dan perbaikan rute. Tahap inialisasi dimulai dengan membuat rute sementara untuk setiap customer. Tahap iterasi akan dihitung savings penghematan, lalu akan dilakukan penggabungan rute berdasarkan daftar saving. Setelah solusi awal terbentuk akan dilakukan perbaikan rute. Algoritma Exchange Local Search merupakan salah satu improving heuristic yang digunakan untuk mengoptimalkan rute yang telah dibentuk. Secara umum, pada metode ini dilakukan perpindahan titik dari suatu rute sehingga terbentuk rute yang baru. Algoritma Exchange Local Search ini merupakan permutasi antara dua titik customer [8]. 3. HASIL DAN DISKUSI Multi Depot Vehicle Routing Problem (MDVRP) merupakan varian VRP berupa permasalahan menentukan keseluruhan rute untuk sejumlah kendaraan dari lebih dari satu depot (multi depot) untuk suatu himpunan customer (pelanggan) dan kembali ke depot yang sama dengan total jarak pengiriman yang minimum tanpa melanggar kendala kapasitas. Tujuan dari permasalahan MDVRP adalah mencari sejumlah rute minimum pada setiap depot dimana customer dilayani tepat sekali dan kendaraan berawal juga berakhir pada depot yang sama serta tidak melanggar kendala kapasitas. Merujuk pada [16] permasalahan MDVRP yang didefinisikan oleh graph komplit 𝐺 = (𝑉, 𝐴) adalah suatu himpunan titik yaitu 𝑉 = {𝑣1 , 𝑣2 , … , 𝑣𝑚 , 𝑣𝑚+1 , 𝑣𝑚+2 , … , 𝑣𝑚+𝑛 } dengan 𝑣1 sampai 𝑣𝑚 adalah titik berkorespondensi ke 𝑚 depot dan 𝑣𝑚+1 sampai 𝑣𝑚+𝑛 adalah titik yang berkorespondensi ke customer. Untuk masing-masing titik customer, ada suatu permintaan 𝑞𝑖 yang bernilai positif. Himpunan 𝐴 adalah suatu himpunan sisi yaitu 𝐴 = {(𝑣𝑖 , 𝑣𝑗 ): 𝑣𝑖 , 𝑣𝑗 ∈ 𝑉, 𝑖 ≠ 𝑗}. Untuk masing-masing sisi (𝑣𝑖 , 𝑣𝑗 ) mempunyai biaya 𝑐𝑖𝑗 non negatif yang menyatakan biaya dari customer 𝑖 ke customer 𝑗. Selanjutnya, suatu armada dari 𝐾 kendaraan ditempatkan pada 𝑚 depot. Kendaraan ke 𝑘 mempunyai muatan 𝑄𝑘 . Fungsi tujuan untuk MDVRP adalah

Analisa Local Search untuk Perbaikan Solusi Varian Vrp pada Permasalahan Optimasi

Halaman | 344

p-ISSN: 2580-4596; e-ISSN: 2580-460X 𝑘 𝑛 1 𝑀𝑖𝑛 ∑ ∑ ∑ 𝐶𝑖𝑑 𝑋𝑖𝑑 = 𝐶1𝑑 𝑋1𝑑 + ⋯ + 𝐶𝑛𝑑 𝑋𝑛𝑑 𝑖𝜖𝐼∪𝐷 𝑑𝜖𝐼∪𝐽 𝑘𝜖𝐾

1, 𝑗𝑖𝑘𝑎 𝑘𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛 𝑑𝑖𝑗𝑎𝑙𝑎𝑛𝑘𝑎𝑛 𝑑𝑎𝑟𝑖 𝑡𝑖𝑡𝑖𝑘 𝑖 𝑘𝑒 𝑑 𝑘 𝑋𝑖𝑑 ={ 0, 𝑢𝑛𝑡𝑢𝑘 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛 𝑍𝑖𝑑 = {

1, 𝑗𝑖𝑘𝑎 𝑐𝑢𝑠𝑡𝑜𝑚𝑒𝑟 𝑖 𝑑𝑖𝑎𝑙𝑜𝑘𝑎𝑠𝑖𝑘𝑎𝑛 𝑢𝑛𝑡𝑢𝑘 𝑑𝑒𝑝𝑜𝑡 𝑑 0, 𝑢𝑛𝑡𝑢𝑘 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛

𝑍𝑖𝑑 adalah banyaknya pengelompokkan pada tiap depot. Merujuk pada [1] permasalahan VRPTW merupakan varian VRP berupa permasalahan meminimalkan total biaya perjalanan, tanpa mengabaikan batasan kapasitas kendaraan dan time window. Desain rute dilakukan sedemikian hingga setiap customer hanya dikunjungi sekali oleh satu kendaraan, dan setiap kendaraan memulai dan mengakhiri rutenya pada suatu depot. Permasahan VRPTW dapat didefinisikan pada graph yaitu misalkan 𝐺 = (𝑁, 𝐸) adalah suatu graph dimana 𝑁 = {0, 1, … , 𝑛} adalah himpunan titik dan 𝐸 ⊆ 𝑁 × 𝑁 adalah himpunan sisi. Jika (𝑖, 𝑗) ∈ 𝐸, maka mungkin untuk melakukan perjalanan dari 𝑖 ke 𝑗, dengan waktu tempuh𝑡 𝑖𝑗 . Titik 0 adalahsuatu depot. 𝑉 = {1, … , 𝑚} adalah himpunan kendaraan yang digunakan. Sedangkan titik pada himpunan 𝑁 / {0} merepresentasikan himpunan customer yang akan dilayani. Setiap dari customer tersebut memiliki permintaan 𝑞𝑖 dan 𝑇 merupakan maximum waktu tempuh yang disediakan oleh perusahaan. Fungsi tujuan untuk meminimumkan total biaya semua kendaraan model matematika dari VRPTW adalah: ∑ ∑ ∑ 𝑐𝑖𝑗 𝑋𝑖𝑗𝑘 𝑋𝑖𝑗𝑘

1, ={ 0,

𝑘∈𝐾 𝑖∈𝑉 𝑗∈𝑉

jika kendaraan 𝑘 dijalankan dari titik 𝑖 ke titik 𝑗 dengan 𝑖 ≠ 𝑗 jika kendaraan 𝑘 tidak dijalankan dari titik 𝑖 ke titik 𝑗

Dengan batasan-batasan khusus yang membedakan dengan varian VRP yang lain adalah Setiap kendaraan 𝑘 memulai pelayanan pada titik 𝑗 dengan memenuhi ∑ ∑ 𝑋𝑖𝑗𝑘 (𝑏𝑖𝑘 + 𝑤𝑖 + 𝑓𝑖 + 𝑡𝑖𝑗 ) = 𝑏𝑗𝑘 ,

∀𝑗 ∈ 𝑉\{0}

𝑘∈𝐾 𝑖∈𝑉

Pelayanan dilakukan berdasarkan batasan waktu tiap-tiap customer 𝑒𝑖 ≤ 𝑏𝑖𝑘 + 𝑤𝑖 + 𝑓𝑖 ≤ 𝑙𝑖 , ∀𝑖 ∈ 𝑉, 𝑘 ∈ 𝐾 Fungsi tujuan untuk meminimumkan total biaya semua kendaraan model matematika dari VRPTW ∑ ∑ ∑ 𝑐𝑖𝑗 𝑋𝑖𝑗𝑘 𝑘∈𝐾 𝑖∈𝑉 𝑗∈𝑉

1, jika kendaraan 𝑘 dijalankan dari titik 𝑖 ke titik 𝑗 dengan 𝑖 ≠ 𝑗 ={ 0, jika kendaraan 𝑘 tidak dijalankan dari titik 𝑖 ke titik 𝑗 Dengan batasan-batasan khusus yang membedakan dengan varian VRP yang lain adalah Setiap kendaraan 𝑘 memulai pelayanan pada titik 𝑗 dengan memenuhi 𝑋𝑖𝑗𝑘

∑ ∑ 𝑋𝑖𝑗𝑘 (𝑏𝑖𝑘 + 𝑤𝑖 + 𝑓𝑖 + 𝑡𝑖𝑗 ) = 𝑏𝑗𝑘 ,

∀𝑗 ∈ 𝑉\{0}

𝑘∈𝐾 𝑖∈𝑉

Pelayanan dilakukan berdasarkan batasan waktu tiap-tiap customer 𝑒𝑖 ≤ 𝑏𝑖𝑘 + 𝑤𝑖 + 𝑓𝑖 ≤ 𝑙𝑖 , ∀𝑖 ∈ 𝑉, 𝑘 ∈ 𝐾 Suatu himpunan 𝑎𝑟𝑐𝐴 = {(𝑣𝑖 , 𝑣𝑗 ): 𝑣𝑖 , 𝑣𝑗 ∈ 𝑉, 𝑖 ≠ 𝑗}. Untuk masing-masing 𝑎𝑟𝑐(𝑣𝑖 , 𝑣𝑗 ), ada suatu travel timenon-negatif atau cost 𝑐𝑖𝑗 . Suatu armada dari 𝐾 kendaraan ditempatkan pada 𝑚 depot, masing-masing customer dilayani oleh satu dan hanya satu kendaraan, total muatan dan durasi dari kendaraan 𝑘 tidak melebihi 𝑄𝑘 dan 𝑇𝑘 , pelayanan customer 𝑖 mulai di dalam time-window [𝑒𝑖 , 𝑙𝑖 ] dan masing-masing rute mulai dan berakhir di dalam time window depot yang berkaitan [7]. Penerapan algoritma dengan perbaikan solusi pada varian VRP dapat dijelaskan berikut. Algoritma Interchenge Descent merupakan keluarga local search yang terdiri dari perbaikan inter-route dan intra route. Algoritma Interchenge Descent digunakan untuk memperbaiki rute awal yang telah terbentuk. Hal yang harus dilakukan untuk menggunakan Algoritma Interchenge Descent yaitu tahap pertama melakukan inisialisasi Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017: 342348


Halaman | 345

neighbor list yang memuat perpindahan inter-route. Enam struktur inter-route neighborhood sebagai berikut shift (1,0): satu customer i dipindahkan dari rute 1 ke rute 2. Swap (1,1): pertukaran antara customer i dari rute 1 dan customer j dari rute 2. Shift (2,0): dua customer terhubung i dan j (atau sisi (i,j) dipindahkan dari rute 1 ke rute 2. Swap (2,1): pertukaran antara customer terhubung i dan j dari rute 1 dengan customer k dari rute 2. Swap (2,2): pertukaran antara customer terhubung i dan j dari rute 1 dengan dua customer terhubung lain k dan l dari rute 2. Cross: sisi antara customer terhubung i dan j dari rute 1 dan sisi antara customer k dan l dari rute 2 dihapus. Kemudian, dua sisi (i,l) dan (k,j) disisipkan. Jika terdapat perbaikan, maka perbaikan yang terbaik akan menggantikan solusi awal. Selanjutnya dilakukan perbaikan dengan intra-route. Empat struktur intra-route neighborhood sebagai berikut. Or-opt : satu, dua atau tiga customer yang terhubung dihapus dan disisipkan kembali ke dalam posisi yang berbeda pada rute. 2-opt: dua sisi yang tidak terhubung dihapus dan dua sisi yang lain ditambahkan sedemikian sehingga rute baru terbentuk. Exchange: permutasi antara dua customer. Ini merupakan tipe swap(1,1) untuk intra-route. Reinsertion : satu customer dihapus dan disisipkan kembali ke dalam posisi yang berbeda pada rute. Penentuan solusi varian VRP dengan algoritma self-developed merupakan algoritma yang dibuat dengan menambahkan beberapa modifikasi-modifikasi untuk savings algorithm berdasarkan pada intuisi untuk banyak rute. Permasalahan MDVRP dapat diselesaikan dengan Algoritma Self-Developed. Pencarian solusi dimulai dengan mengelompokkan pelanggan pada depot yang terdekat sehingga terbentuk beberapa kelompok rute yang akan dipasangkan untuk setiap depot (grouping). Kemudian menghitung serta mengurutkan rute berdasarkan savings dari terbesar ke terkecil, mengkombinasikan rute-rute tersebut dengan melihat kendala waktu serta kapasitas setiap rute yang dipasangkan (routing). Dari proses tersebut dihasilkan rute yang layak pada setiap depot yang berawal dan berakhir di depot tersebut. Setelah itu menjadwalkan pengiriman berdasarkan rute yang terbentuk dan telah dipasangkan dengan kendaraan yang ada (schedulling). Permasalahan MDVRPTW merupakan perluasan dari VRP dengan banyaknya depot untuk melayani customer lebih dari satu dan terdapat kendala kapasitas dan waktu. Penyelesaian permasalahan MDVRPTW serupa dengan penyelesaian MDVRP yaitu grouping, routing, dan schedulling. Pada langkah routing permasalahan MDVRPTW diselesaikan dengan algoritma self-developed dan algoritma Interchange descent. Pada tahap inisialisasi dimulai dengan menyusun semua rute penjemputan dengan setiap kendaraan melayani tepat satu customer. Setelah itu dilanjutkan pada langkah iterasi, yaitu pengkombinasian rute dengan perhitungan savings. Penghitungan savings dikembangkan dengan modifikasi farthest insertion. Dari daftar savings yang terbentuk, savings yang terpilih adalah savings dengan nilai terbesar. Setelah semua customer terpilih dan terpasangkan kekendaraan maka terbentuk solusi awal. Perbaikan rute menggunakan Exchange Local Search, dengan cara pertukaran (permutasi) dari dua titik customer pada tiap rute. Setelah rute akhir hasil local search terbentuk maka dilanjutkan dengan menjadwalkan kumpulan rute tersebut dan dipasangkan pada tiap kendaraan pada masing-masing depot. 4. IMPLEMENTASI PADA PERMASALAHAN OPTIMASI Implementasi permasalahan optimasi distribusi ini dapat menggunakan modul ICT dari hasil penelitian hibah bersaing [17].

Tabel 1. Data Jarak antar customer


Halaman | 346

p-ISSN: 2580-4596; e-ISSN: 2580-460X

Tabel 2. Data permintaan, kapasitas kendaraan dan kecepatan

Gambar. Graph Hasil dan perhitungannya

Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017: 342348


Halaman | 347

5. KESIMPULAN Berdasarkan analisis kinerja algoritma self developed dan algoritma Interchange Descent pada MDVRPTW, maka dapat disimpulkan bahwa algoritma self developed menghasilkan solusi akhir yang lebih minimal dibanding algoritma interchange descent. Hal ini disebabkan pada tahap penentuan solusi awal algoritma self developed menghasilkan solusi yang lebih baik karena adanya proses penentuan urutan customer yang hendak dilayani menggunakan metode furtest insertion (FI). Penggunaan FI ini bermaksud untuk memperoleh suatu rute dengan jarak tempuh minimum. Pada tahap perbaikan rute local search algoritma interchange descent melakukan perpindahan rute inter route dan intra route. Kemungkinan solusi hasil perbaikan rute interchange descent lebih banyak dibandingkan exchange local search. Tetapi karena pada solusi awal algoritma self developed menghasilkan jarak tempuh yang lebih minimal, maka pada hasil solusi akhir algoritma self developed masih menghasilkan solusi lebih baik dibandingkan algoritma interchange descent. Setelah solusi awal terbentuk langkah perbaikan rute menggunakan local search. Perbaikan rute disini bertujuan untuk mengoptimalkan solusi awal yang telah tebentuk. Tipe local search yang digunakan exchange local search, local search inter route dan intra route. Pada proses iterasi exchange local search hanya melakukan pertukaran titik untuk intra route saja. Sedangkan untuk algoritma interchange descent melakukan perbaikan inter route dan intra route. Hal ini mengakibatkan pada Agoritma interchange descent menjadikan proses iterasi yang lama. Namun akan diperoleh kemungkinan solusi hasil perbaikan lebih banyak jika dibanding exchange local search. Seteleh dilakukan perbaikan local search hasil kinerja algoritma menunjukan adanya perbaikan solusi dari solusi awal. Namun karena pada solusi awal algoritma self developed meghasilkan solusi yang lebih baik, maka pada hasil solusi akhir algoritma self developed masih tetap lebih unggul dibandingkan algoritma interchange descent. Penentuan total waktu tempuh dapat dilihat dari seberapa lama kendaraan melakukan perjalanan. Algoritma self developed menghasilkan total waktu tempuh kendaraan yang minimal dibandingkan dengan algoritma interchange descent. Analisa local search untuk perbaikan solusi varian VRP pada artikel ini diterapkan pada MDVRP, VRPTW dan MDVRPTW. Pada pengembangannya dapat diterapkan pada varian yang lain misalnya CVRP, MTVRP, MFVRP, VRPB, VRPPD atau kombinasinya. Demikian juga metode yang digunakan dapat menggunakan algoritma lain [12], [18], [19]. DAFTAR PUSTAKA [1] Braysy, O.& Gendreau, M. 2005. Genetic Algorithms for Vehicle Routing Problem with Time Windows, Department of Mathematics and Statistic, Uneversity of Vassa, Finlandia.Transportation Science, (Online), 39(1): 119-139 [2] Crevier, B., Jean-Francois Cordeau., & Gilbert Laporte. 2007. The Multi-Depot Vehicle Routing Problem with inter-depot routes ( European Journal of Operational Research 176 (2007) 756-773). Canada: ELSEVIER (online), [3] En-nahli, L., Afifi, S., Allaoui, H. & Nouaouri, I. 2016. Local Search Analysis for a Vehicle Routing Problem with Synchronization and Time Windows Constraints in Home Health Care Services. International Federation of Automatic Control, France, 2016. (Online), 49(12): 1210-1215 [4] Penna, P.V., Subramanian, A.&Ochi, L.S. 2011. An Iterated Local Search Heuristik for The Heterogeneous Fleet Vehicle Routing Problem, (Online), [5] Kiran, M, dkk. 2013. A Modified Savings Algorithm Based Approach for Vehicle Routing Problem with Simultaneous Pick-up and Delivery. International Journal of Emerging Technology and Advanced Engineering(Online) [6] Li, J., Pardalos, P.& Li, Y. 2014. Multi Depot Vehicle Routing Problem With Time Windows Under Shared Depot Resources. College of Engineering, Namjing Agricultur University, Namjing, China. Jounal ofCombinatorial Optimization, (Online),31: 515, [7] Polacek, M.; Hartl, R.F.; dan Doerner, K. 2005. “A Variable Neighborhood Search for the Multi Depot Vehicle Routing Problem with TimeWindows.” Journal of Heuristics, 10: 613-627.


Halaman | 348

p-ISSN: 2580-4596; e-ISSN: 2580-460X

[8] Polat,O., Kalayci, C., Kulak, O., Gunther, H. 2015. A Perturbation Based Variable Neighborhood Search Heuristic For SolvingThe Vehicle Routing Problem With Simultaneous Pickup And Delivery With Time Limit. European Journal of Operational Research. S0377-2217(14)00814-5. [9] Ramalingam, A. dan Vivekanandan, K. 2014. “Genetic Algorithm based Solution Model for Multi-Depot Vehicle Routing Problem with Time Windows.” International Journal of Advanced Research in Computer and Communication Engineering, 3: 8433-8499. [10] Rostami, Ali S., Mohanna, F., Keshavarz, H. & Hosseinabadi, A.A.R. 2015. Solving Multiple Traveling Salesman Problem using the Gravitational Emulation Local Search Algorithm. Applied Mathematics & Information Sciences, (Online), 9(2): 699-709, [11] Silva, M.M., Subramanian, A.&Ochi, L.S. 2015. An Iterated Local Search Heuristic for The Split Delivery Vehicle Routing Problem. Computer & Operations Research (Online), [12] Subramanian, A., Drummond, L.M.A., Bentes, C., Ochi, L.S. & Farias, R. 2010. A Parallel Heuristik for The Vehicle Routing Problem with Simultaneous Pickup and Delivery. Computer & Operations Research (Online), 37: 1899-1911, [13] Sumathi, S., & Surekha P. 2011. Solution To Multi-Depot Vehicle Routing Problem Using Genetic Algorithms. WAP Journal, (Online), 1(3) : 118-131, [14] Tamashiro, H.; Nakamura, M.; Okazaki, T.; dan Kang, D. 2007. “A Tabu Search Approach combined with An Extended Saving Method for Multi-depot Vehicle Routing Problems with Time Windows.” Biomedical Soft Computing and Human Sciences, 15(1): 29-37. [15] Timmermann, T. 2010. An approach to solve the Multi Depot VehicleRouting Problem with Time Windows (MDVRPTW) In Static And Dynamic Scenarios. Proceedings of the 22. Workshop "Planen, Scheduling und Konfigurieren, Entwerfen, (Online) [16] Wang, Y. 2013. “Research of Multi-Depot Vehicle Routing Problem by Cellular Ant Algorithm.”Journal of Computers, 8(7): 1722-1727. [17] Wahyuningsih, S dan Satyananda, D (2014 &2015). Pengembangan modul penerapan teori graph berbasis ICT sebagai pedoman PKL mahasiswa jurusan matematika di Industri. LP2M UM: laporan penelitian hibah bersaing. [18] Xing, W. 2016. An Improved Savings Method for Vehicle Routing Problem. International Conference on Control Science and Systems Engineering (Online) [19] Yeun, L.C.; Ismail, W.R.; Omar, K.; dan Zirour, M. 2008. ”Vehicle Routing Problem: Models and Solutions.” Journal of Quality Measurement and Analysis, 4(1): 205-218.

Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017: 342348

Analisa Local Search untuk Perbaikan Solusi Varian Vrp pada Permasalahan Optimasi

Recommend Documents